基于用户评论和评分的协同过滤算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-21页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 协同过滤算法与数据稀疏问题 | 第13-14页 |
| 1.2.2 评论挖掘在推荐中的应用 | 第14-15页 |
| 1.2.3 评分矩阵填充在推荐中的应用 | 第15-17页 |
| 1.3 主要研究工作及创新点 | 第17-18页 |
| 1.3.1 主要研究工作 | 第17页 |
| 1.3.2 主要创新点 | 第17-18页 |
| 1.4 文章组织结构 | 第18-21页 |
| 2 关键理论与技术 | 第21-33页 |
| 2.1 协同过滤推荐算法 | 第21-25页 |
| 2.1.1 基于用户的协同过滤算法 | 第21-23页 |
| 2.1.2 基于项目的协同过滤算法 | 第23-25页 |
| 2.2 主题模型与主题情感混合模型 | 第25-28页 |
| 2.2.1 主题模型 | 第25-27页 |
| 2.2.2 主题情感混合模型 | 第27-28页 |
| 2.3 聚类分析与聚类算法 | 第28-29页 |
| 2.4 信息采集及文本处理技术 | 第29-32页 |
| 2.4.1 网络爬虫 | 第30页 |
| 2.4.2 正则表达式 | 第30-31页 |
| 2.4.3 中文分词 | 第31-32页 |
| 2.4.4 停用词过滤 | 第32页 |
| 2.5 本章小结 | 第32-33页 |
| 3 现有协同过滤算法的问题分析及改进思路 | 第33-43页 |
| 3.1 现有协同过滤算法的问题分析 | 第33-37页 |
| 3.1.1 数据稀疏性问题分析 | 第33-34页 |
| 3.1.2 基于主题模型的评论挖掘问题分析 | 第34-36页 |
| 3.1.3 评分矩阵填充问题分析 | 第36-37页 |
| 3.2 算法改进思路 | 第37-41页 |
| 3.2.1 评论挖掘 | 第38-39页 |
| 3.2.2 评分矩阵填充 | 第39-41页 |
| 3.3 本章小结 | 第41-43页 |
| 4 改进的协同过滤算法设计 | 第43-63页 |
| 4.1 评论预处理与用户情感-主题分布的提取 | 第43-50页 |
| 4.1.1 评论预处理 | 第43-47页 |
| 4.1.2 用户情感-主题分布提取 | 第47-50页 |
| 4.2 用户聚类与评分矩阵填充 | 第50-55页 |
| 4.2.1 基于用户情感-主题分布的用户聚类 | 第51-53页 |
| 4.2.2 评分矩阵填充 | 第53-55页 |
| 4.3 用户相似度的计算 | 第55-58页 |
| 4.3.1 用户情感-主题相似度 | 第55-56页 |
| 4.3.2 用户评分相似度 | 第56-57页 |
| 4.3.3 综合相似度 | 第57-58页 |
| 4.4 评分预测 | 第58-61页 |
| 4.5 本章小结 | 第61-63页 |
| 5 实验设计与结果分析 | 第63-81页 |
| 5.1 数据集 | 第63-67页 |
| 5.2 评估标准 | 第67-68页 |
| 5.2.1 推荐算法评估标准 | 第67-68页 |
| 5.2.2 主题情感混合模型评估标准 | 第68页 |
| 5.3 对比实验 | 第68-79页 |
| 5.3.1 对比算法描述 | 第68-69页 |
| 5.3.2 实验设计与结果分析 | 第69-79页 |
| 5.4 本章小结 | 第79-81页 |
| 6 总结与展望 | 第81-83页 |
| 6.1 主要工作总结 | 第81-82页 |
| 6.2 下一步工作展望 | 第82-83页 |
| 参考文献 | 第83-87页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第87-91页 |
| 学位论文数据集 | 第91页 |
